ANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK
|
|
- Suharto Iskandar
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL ILMU PENGETAHUAN VOL. 3. NO. 1 AGUSTUS 2017 ANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK Veti Apriana 1 ; Rani Irma Handayani 2 1 Komputerisasi Akuntansi AMIK BSI Jakarta 2 Manajemen Informatika AMIK BSI Jakarta E-mai: * 1 veti.vta@bsi.ac.id, 2 rani.rih@bsi.ac.id Abstract Eectricity is the ifebood for human ife, both for househod and industria word. In the power suppy industry, it is important to determine the power requirements for the future as soon as possibe (at the eariest). Short-term eectric oad prediction is one way that can be used to generate and distribute eectrica energy economicay, so that the power provider can know the oad and demand for power for the next month, previous short-term power prediction studies, generay using the Neura method Network. Neura Network is an information processing system that has characteristics simiar to bioogica neura networks but, deficiencies in Neura Network often overfitting due to overtrained. In a short-term eectrica oad prediction study, using the Support Vector Machine (SVM) method, Support Vector Machines (SVM) is a technique for predicting both cassification and regression. This research begins by processing daiy oad system oad data with a time span of 30 minutes, with data input used is data in January The resuts show that the SVM method can be one of the reference methods for the prediction of short-term eectrica oad with RMSE Key word: Eectricity oad, Neura Networks, Support Vector Machine Intisari Listrik merupakan urat nadi bagi kehidupan manusia, baik untuk rumah tangga maupun dunia industri. Daam industri pasokan istrik, penting untuk menentukan kebutuhan daya untuk masa depan secepat mungkin (diawa). Prediksi beban istrik jangka pendek merupakan saah satu cara yang dapat digunakan untuk membangkitkan dan menyaurkan energi istrik secara ekonomis, sehingga pihak penyedia istrik dapat mengetahui beban dan permintaan daya untuk buan berikutnya, peneitian-peneitian prediksi beban istrik jangka pendek sebeumnya, secara umum mengunakan metode Neura Network. Neura Network adaah sistem pemroses informasi yang memiiki karakteristik mirip dengan jaringan syaraf bioogi namun, kekurangan pada Neura Network sering mengaami overfitting karena overtrained. Daam peneitian prediksi beban istrik jangka pendek, menggunakan metode Support Vector Machine (SVM), Support Vector Machines (SVM) adaah suatu teknik untuk meakukan prediksi, baik daam kasus kasifikasi maupun regresi. Peneitian ini diawai dengan mengoah data beban kemampuan beban sistem harian dengan runtun waktu per-30 menit, dengan input data yang digunakan adaah data pada buan Januari Hasi peneitian menunjukan bahwa metode SVM dapat menjadi saah satu referensi metode untuk prediksi beban istrik jangka pendek dengan RMSE Kata Kunci: Beban Listrik, Neura Network, Support Vector Machine. PENDAHULUAN Listrik merupakan urat nadi bagi kehidupan manusia, baik untuk rumah tangga maupun dunia industri. Daam industri pasokan istrik, penting untuk menentukan kebutuhan daya untuk masa depan secepat mungkin (diawa). Jika perkiraan akurat dapat dibuat untuk beban maksimum dan minimum untuk setiap jam, hari, buan, musim dan tahun, perusahaan pengguna dapat membuat perekonomian yang signifikan untuk diwiayah seperti pengaturan cadangan operasi, penjadwaan pemeiharaan, dan manajemen persediaan bahan bakar (Witten & Frank, 2005), ha ini biasa disebut dengan peramaan beban istrik. Oeh karena itu, Perusahaan Listrik Negara (PT. PLN (PERSERO) P3B Jawa-Bai) mengadakan peramaan beban istrik jauh sebeum waktunya. Banyak peneiti, yang meneiti beban istrik jangka pendek dengan metode Neura Network. Namun, kekurangan pada Neura Network sering mengaami overfitting karena overtrained (Santosa, 2007). Support Vector Machines (SVM) adaah suatu teknik untuk meakukan prediksi, baik daam 73
2 VOL. 3. NO. 1, AGUSTUS 2017 JURNAL ILMU PENGETAHUAN kasus kasifikasi maupun regresi, yang sangat popuar beakangan ini (Santosa, 2007). Pada SVM tidak mengena istiah overfitting karena overtrained, karena training peru diakukan sekai saja dan akan mendapatkan sousi optima. Berdasarkan uraian diatas, permasaahan yang muncu yaitu adanya kasus overfitting pada Neura Network karena adanya overtrained (menyebabkan training diakukan beruang kai baru mendapatkan sousi optima) (Santosa, 2007).Untuk mengatasi permasaahan tersebut, maka diperukan metode Support Vector Machines (SVM) untuk menemukan sousi optima secara goba. BAHAN DAN METODE Literatur-iteratur yang ada mengenai prediksi beban istrik jangka pendek, dibahas dengan berbagai macam metode. Peneitan yang diakukan oeh peneitipeneiti sebeumnya untuk memprediksi beban istrik jangka pendek, pernah diakukan oeh Mohsen Hayati & Yazdan Shirvany, 2007, dimana Permasaahan yang dibahas pada peneitian ini, berdasarkan pada Muti-Layer Perceptron (MLP) diatih dan diuji menggunakan tiga tahun ( ) data untuk meramakan beban istrik 24 jam berikutnya. Peneitian ini menggunakan metode neura network. Hasinya MLP memiiki kesaahan peramaan yang keci dan dapat dianggap sebagai metode yang baik untuk mode sistem Short Term Load Forecasting (STLF). Peneitian berikutnya diakukan oeh G.A. Adepoju, S.O.A Ogunjuyigbe & K.O. Aawode, Pada peneitian ini, ada kecenderungan yang berkembang ke arah unbunding sistem keistrikan sehingga operasi dan perencanaan dari sebuah perusahaan utiitas istrik membutuhkan mode yang memadai untuk peramaan beban tenaga istrik. Peneitian ini menggunakan metode neura network. Hasi peneitian yang diperoeh dengan metode Neura Network yaitu dengan Absoute Mean Error 2.54%. Peneitian juga diakukan oeh Gwo- Ching Liao, Daam peneitian ini, adanya penggabungan metode Fuzzy Neura Networks (FNN) dengan Quatum Genetic Agorithm (QGA). Komparasi Fuzzy Neura Networks (FNN) dengan Quatum Genetic Agorithm (QGA). Hasi komparasi kedua metode mendapatkan rate ranging 6.2 % sampai 43.4%. Prediksi Beban Listrik Menurut (Marsudi, 2006) prakiraan permintaan beban istrik berdasarkan jangka waktu dapat dikeompokan daam : 1.Prakiraan beban jangka panjang (ong term) adaah prakiraan permintaan beban dengan jangka waktu di atas 1 (satu) tahun. 2.Prakiraan beban jangka menengah (medium term) adaah prakiraan permintaan beban dengan jangka waktu satu buan sampai dengan satu tahun. 3.Prakiraan beban jangka pendek (short term) adaah prakiraan permintaan beban dengan jangka waktu beberapa jam daam sehari sampai satu minggu. Metode Metode Backpropagation Pada Neura Network agoritma yang digunakan adaah backpropagation, Peatihan backpropagation meiputi tiga fase, yaitu: 1. Fase pertama adaah fase maju dimana poa masukan dihitung maju muai dari ayar masukan hingga ayar keuaran menggunakan fungsi aktivasi yang ditentukan. 2. Fase kedua adaah fase mundur, dimana seisih antara keuaran jaringan dengan target yang diinginkan merupakan kesaahan yang terjadi. Kesaahan tersebut dipropagasikan mundur, dimuai dari garis yang berhubungan angsung dengan unit-unit diayar keuaran. 3. Fase ketiga adaah modifikasi bobot untuk menurunkan kesaahan yang terjadi. Ketiga fase diatas diuang-uang terus hingga kondisi penghentian dipenuhi (jumah iterasi atau kesaahan). Langkah daam agoritma backpropagation adaah sebagai berikut (Myatt, 2007): 1. Inisiaisasi bobot jaringan secara acak (biasanya antara -0.1 sampai 1.0). 2. Untuk setiap data pada data training, hitung input untuk simpu berdasarkan niai input dan bobot jaringan saat itu, menggunakan rumus:... (1) 3. Berdasarkan input dari angkah dua, seanjutnya membangkitkan output untuk simpu menggunakan fungsi aktivasi sigmoid: (2) 4. Hitung niai Error antara niai yang diprediksi dengan niai yang sesungguhnya menggunakan rumus:.. (3) 74
3 JURNAL ILMU PENGETAHUAN VOL. 3. NO. 1 AGUSTUS Seteah niai Error dihitung, seanjutnya dibaik keayer sebeumnya (backpropagated). Untuk menghitung niai Error pada hidden ayer, menggunakan rumus: (4) 6. Niai Error yang dihasikan dari angkah sebeumnya digunakan untuk memperbarui bobot reasi menggunakan rumus:. (5) Hasi akhir dari peneitian ini adaah berupa evauasi performa prediksi yaitu dengan Root Mean Square Error. Metode Support Vector Machine... (6) Daam Support Vector Machine (SVM), terdapat fungsi pemisah adaah fungsi inier g(x) sgn(f(x)).. (7) f(x) = w T x + b Secara matematika, formuasi probem optimisasi SVM untuk kasus kasifikasi inier di daam prima space adaah min 1 2 w 2.. (8) Subject to Y i (WX i + b) 1, i = 1,,.. (9) Dimana X i adaah data input, Y i adaah keuaran dari data X i, W, b adaah parameter-parameter yang kita cari niainya. Daam Formuasi diatas, kita ingin meminimakan fungsi tujuan (objective fuction) 1 2 w 2 atau memaksimakan kuantitas w 2 atau W T W dengan memperhatikan pembatas Y i (wx i + b) 1. Bia output data Y i = +1, maka pembatas menjadi (wx i + b) 1 sebaiknya bia Y i = 1,pembatas menjadi Y i (wx i + b) 1. Didaam kasus yang tidak feasibe (infisibe) dimana beberapa data mungkin tidak bisa dikeompokan secara benar, formuasi matematikanya menjadi berikut: min 1 W C t i..... (10) Subject to Y i (wx i + b) + t i (11) t i 0, i = 1,, dimana t i adaah variabe sack. Dengan formuasi ini dapat memaksimakan margin antara dua keas dengan meminimakan) w 2, Daam formuasi ini berusaha meminimakan kesaahan kasifikasi (miscassification error) yang dinyatakan dengan adanya variabe sack t i sementara daam waktu yang sama dapat memaksimakan margin 1 w. Penggunaan variabe sack t i adaahuntuk mengatasi kasus ketidakayakan (infeasibiity) dari pembatas y (constraints) i (wx i + b) 1 dengan cara memberi penati untuk data yang tidak memenuhi pembatas tersebut. Untuk meminimakan niai t i kita berikan pinati dengan menerapkan konstanta ongkos C. Vektor w tegak wx + b = 0. urus terhadap fungsi pemisah: Konstanta b menentukan okasi fungsi pemisah reatif terhadap titik asa (origin). Probem (10) adaah programa noninear. Ini bisa diihat dari fungsi tujuan (objective function) yang berbentuk kuadrat. Untuk menyeesaikannya ebih mudah dan efisien untuk diseesaikan, masaah ini bisa ditransformasikan ke daam dua space. Untuk itu, pertama kita ubah probem (12) menjadi fungsi Lagrangian : J(w, b, a) = 1 2 wt w i = 1 α i [y i (w t x i + b) 1] (12 dimana variabe non-negatif, αi dinamakan Lagrange mutipier. Sousi dari probem optimisasi dengan pembatas seperti di atas ditentukan dengan mencari sadde point dari fungsi Lagrangian J(w, b, α). Fungsi ini harus diminimakan terhadap variabe w dan b dan harus dimaksimakan terhadap variabe α. Kemudian cari turunan pertama dari fungsi J(w, b, α) terhadap variabe w dan b kita samakan dengan 0. Dengan meakukan proses ini, kita akan mendapatkan dua kondisi optimaitas berikut: 1. Kondisi 1: J(w,bα) w = 0 75
4 VOL. 3. NO. 1, AGUSTUS 2017 JURNAL ILMU PENGETAHUAN 2. Kondisi 2: J(w,bα) b = 0 Penerapan kondisi optimaitas 1 pada fungsi Lagrarian (12) akan menghasikan w = α i y i x i Penerapan kondisi optimaitas 2 pada fungsi Lagrarian (12) akan menghasikan α i y i = 0 Untuk mendapatkan probem dua dari probem kita, kita jabarkan persamaan (14), sebagai berikut: J(w, b, α) = 1 2 wt w b α i y i + α i α i y i W T X i (15) Menurut kondisi optimaitas ke dua daam (14), term ketiga sisi sebeah kanan daam persamaan di atas sama dengan 0. Dengan memakai niainiai W di (2.5), kita dapatkan w T w = α i y i w T x i α i α j y i y j x T i x j (16) Maka persamaan (15) menjadi Q(α) = α i 1 y 2 i,j=1 iy j α i α j x T i x j (17) Seanjutnya kita dapatkan formuasi dua dari probem (10): max α i 1 y 2 i,j=1 i y j α i α j x T i x j Subject to α i y i = 0 0 α i= i = 1,, (13) (14) (18) dimana k adaah fungsi kerne yang dijeaskan daam bagian (12) formuasi (17) adaah Quadratic Programming (QP) dengan pembatas (Constraint) inear. Meatih SVM equivaen dengan menyeesaikan probem convex optimization. Karena itu sousi dari SVM adaah unik (dengan asumsi bahwa k adaah posisitve definite) dan goba optima. Untuk mengukur seberapa baik mode yang digunakan,maka diakukan penghitungan seberapa besar niai error yang ada pada data tersebut dengan rumus sebagai berikut: n MSE = 1 n (Y i Y i ) 2 Seteah dihitung MSE, maka angkah seanjutnya adaah menghitung RMSE, dengan rumus sebagai berikut: Metode Kerne RMSE = SME Banyak teknik data mining atau machine earning yang dikembangkan dengan asumsi keinearan. Sehingga agoritma yang dihasikan terbatas untuk kasus-kasus yang inear. Karena itu, bia suatu kasus kasifikasi memperihatkan ketidakinearan, agoritma perceptron tidak bisa mengatasinya. Secara umum, kasus-kasus di dunia nyata adaah kasus yang tidak inear saah satu cara untuk mengatasinya adaah dengan metode kerne. Dengan metode kerne suatu data xdi input space dimapping ke feature space F dengan dimensi yang ebih tinggi meaui map φsebagai berikut φ: x φ(x). Karena itu data x di input space menjadi φ(x)di feateure space Sering kai fungsi φ(x) tidak tersedia atau tidak bisa dihitung. Tetapi dot product dari dua vektor dapat dihitung baik daam input space maupun di feature space. Fungsi kerne yang biasa digunakan daam iteratur SVM: Linear : x T x Poynomia : (x T x i + 1) p Radia basis function: (RBF): exp ( 1 2σ 2 x x i 2 ) (19) (20) Tangen hyperboe (sigmoid): tanh((βx T x i + β 1 ) dimana β, β 1 R? Fungsi kerne mana yang harus digunakan untuk subtitusi dot product di feature space sangat bergantung pada data. Pada Persiapan data awa, data set yang digunakan adaah data per-30 menit, kemudian pada data set tersebut diakukan transform dengan sigmoid biner sehingga pada data set yang akan dioah berada pada range [0,1..0,9]. 76
5 JURNAL ILMU PENGETAHUAN VOL. 3. NO. 1 AGUSTUS 2017 Start Variabe input dan target di dataset Menentukan Parameter Tidak Kerne type dot? Ya Hitung Niai Error Gambar 1. Data kemampuan beban sistem harian per-30 menit pada buan Januari Pada Gambar 1 menunjukan data beban sistem harian per-30 menit pada saah satu atribut yang ada data kemampuan beban sistem harian yaitu atribut X1, titik yang paing atas menunjukan beban puncak istrik pada setiap harinya. Gambar 2. Data target prediksi beban istrik Pada Gambar 2 menunjukan data target prediksi beban istrik berdasarkan data kemampuan beban sistem harian per-30 menit. Hitung RMSE Ouput yang dihasikan berupa performance vector RMSE Gambar 3. Metode yang diusukan Gambar 3 menggambarkan metode yang diusukan daam peneitian ini metode Support Vector Machines dengan parameter yang digunakan adaah kerne type dengan range dot sampai didapatkan hasi berupa mode yang digunakan untuk memprediksi beban istrik jangka pendek. Kemudian berdasarkan data tersebut, untuk menjawab permasaahan yang teah diuraikan diatas maka, diakukan pegujian data set dengan dua metode yaitu Neura Network dengan agoritma backpropagation yang meiputi 3 fase maju, fase mundur dan fase perbaikan bobot dan bias. Dan metode Support Vector Machines dengan parameter yang digunakan adaah kerne type dengan range dot. HASIL DAN PEMBAHASAN Hasi eksperimen dengan Neura Network dengan indikator yang ada dan data set dengan varibe x1-x12 dan target sebagai abe. Daam pengujian dengan metode ini, setiap indikator yang ada dioah kembai untuk mendapatkan hasi RMSE dengan niai terendah. Hasi akhir pada Neura Network didapat arsitektur jaringan terbaik yaitu dengan RMSE yang dihasikan End 77
6 VOL. 3. NO. 1, AGUSTUS 2017 JURNAL ILMU PENGETAHUAN dan hasi pengujian dengan menggunakan metode Support Vector Machine (SVM) didapatkan RMSE terendah yaitu Dengan demikian dari hasi pengujian dapat disimpukan bahwa Support Vector Machine (SVM) memberikan pemecahan untuk prediksi beban istrik jangka pendek ebih akurat jika dibandingkan dengan Neura Network. REFERENSI Adepoju, A, G. Ogunjuyigbe, A, O, S. Aawode, O, K Appication of Neura Network to Load Forecasting in Nigerian Eectrica Power System.The Pacific Journa of Science and Technoogy.8(1): Gambar 4 Arsitektur Jaringan yang didapat dari Hasi Eksperimen Dengan parameter yang digunakan yaitu : Training cyces : 100 Learning rate : 0.1 Momentum : 0.4 Jumah Hidden ayer : 1 Size hidden ayer : 3 Hasi eksperimen dengan Support Vector Machine dengan parameter kerne type dengan range dot dan data set dengan varibe x1-x12 dan target sebagai abe, berikut penentuan parameternya: Tabe 1. Parameter Support Vector Machine hasi eksperimen Niai Parameter C RMSE KESIMPULAN Berdasarkan hasi ujicoba dan anaisis prediksi beban istrik menggunakan metode Neura Network dan metode Support Vector Machine dapat disimpukan bahwa pengujian dengan Neura Network yaitu menghasikan RMSE Apriana, V., & Handayani, R. I. (2017). Laporan Kemajuan PDP 2017-Anaisis Agoritma Prediksi Untuk Menghasikan Prediksi Beban Listrik Jangka Pendek. Jakarta: AMIK BSI Jakarta Hayati, Mohsen &Shirvany, Yazdan. (2007). Artficia Neura Network Approach for Short Term Load Forecasting for Iam Region. Word Academy of Science, Engineering and Technoogy. 28. Liao, Warren. T. &Triantaphyou.Evangeos. (2007). Recent Advances in Data Mining of Enterprise Data: Agorithms and Appications. Series : Computer and Operation Research. Marsudi, Djiteng. (2006). Operasi Sistem Tenaga Listrik. Yogyakarta: GrahaImu. Myatt, Genn J. (3rd ed). (2007). Making Sense of Data: A Practica Guide to Exporatory Data Anaysis and Data Mining. New Jersey: John Wiey & Sons, Inc.Mitche, T.R., & Larson, J.R. (1987). Peope in organizations: An Introduction to organizationa behavior. New York: McGraw-Hi. Santosa, Budi. (2007). Data mining Teknik Pemanfaatan Data untuk Keperuan Bisnis. Yogyakarta: GrahaImu. Witten, H, Ian & Frank, Eibe. (2 nd ed). (2005). Data Mining Practica Machine Learning Toos and Techniques..San Francisco: Morgan Kaufmann. 78
PREDIKSI BEBAN LISTRIK JANGKA PENDEK BERBASIS BACKWARD ELIMINATION
Vol. IX.1 Maret 2013 Pilar Nusa Mandiri PREDIKSI BEBAN LISTRIK JANGKA PENDEK BERBASIS BACKWARD ELIMINATION Veti Apriana Manajemen Informatika, AMIK BSI Jakarta Jl. RS. Fatmawati. 24 Pondok Labu Jakarta
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Untuk menunjang peaksanaan peneitian ini diakukan tinjauan pustaka mengenai tinjauan studi yang berisi peneitian-peneitian terkait dengan pengenaan kuaitas buah, median fitering,
Lebih terperinciOutline. Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining
Outine Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining Latar Beakang 3 Mengapa harus Data Mining? Definisi Data Mining Pengertian Yang Saah Imu Data Mining Arsitektur Data Mining
Lebih terperinciPREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION
PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION Lisa Yui Kurniawati 1*), Handayani Tjandrasa 2), Isye Arieshanti 3) 1,2,3) Teknik Informatika, Fakutas Teknoogi Informasi Institut
Lebih terperinciFOURIER Oktober 2014, Vol. 3, No. 2,
FOURIER Oktober 2014, Vo. 3, No. 2, 98 116 PENYELESAIAN MATCHING GRAF DENGAN MENGGUNAKAN METODE HUNGARIAN DAN PENERAPANNYA PADA PENEMPATAN KARYAWAN DI SUATU PERUSAHAAN Auia Rahman 1, Muchammad Abrori 2,
Lebih terperinciModel Optimasi Penjadwalan Proses Slitting Material Roll dengan Multi Objective Programming
Mode Optimasi Penjadwaan Proses Sitting Materia Ro dengan Muti Objective Programming Dina Nataia Prayogo Jurusan Teknik Industri, Universitas Surabaya Jaan Raya Kairungkut, Surabaya, 60293 Te: (031) 2981392,
Lebih terperinciAPLIKASI METODE CROSS ENTROPY UNTUK SUPPORT VECTOR MACHINES
APLIKASI METODE CROSS ENTROPY UNTUK SUPPORT VECTOR MACHINES Tiananda Widyarini, Budi Santosa Jurusan Teknik Industri Institut Teknoogi Sepuuh Nopember (ITS) Surabaya Kampus ITS Sukoio Surabaya 60111 Emai:
Lebih terperinciAnalisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR
Anaisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR Nur Adhi Nugroho1,a, Acep Purqon1,b 1 Laboratorium Fisika Bumi, Keompok Keahian Fisika Bumi dan Sistem Kompeks, Fakutas Matematika dan
Lebih terperinciDeteksi Tumor Otak dengan Ektrasi Ciri & Feature Selection mengunakan Linear Discriminant Analysis (LDA) dan Support Vector Machine (SVM)
Deteksi Tumor Otak dengan Ektrasi Ciri & Feature Seection mengunakan Linear Discriminant Anaysis (LDA) dan Support Vector Machine (SVM) rain Tumor s Detection With Feature Extraction & Feature Seection
Lebih terperinciPERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION
PERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION Budi Santosa, Riza Nugraha Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo
Lebih terperinciPENGATURAN FUNGSI PENYERAPAN DARI MODEL DIFUSI KADAR AIR PENYIMPANAN PADI DENGAN METODE BEDA HINGGA SKEMA IMPLISIT
JIMT Vo. 12 No. 1 Juni 2015 (Ha. 92 103) Jurna Imiah Matematika dan Terapan ISSN : 2450 766X PENGATURAN FUNGSI PENYERAPAN DARI MODEL DIFUSI KADAR AIR PENYIMPANAN PADI DENGAN METODE BEDA HINGGA SKEMA IMPLISIT
Lebih terperinciMULTICRITERIA DECISION MAKING (MCDM)_3 PRASETYANINGRUM
MULTICRITERIA DECISION MAKING (MCDM)_3 IRA PRASETYANINGRUM PENDEKATAN KEPUTUSAN KELOMPOK Metoda Dephi Peniaian keompok, diakukan sharing dipandu moderator Masaah Daftar Anggota Ahi Masaah disampaikan ke
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciBAB I PENDAHULUAN. industri, masyarakat perkotaan serta masyarakat pedesaan. Untuk tetap dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini kebutuhan masyarakat akan tenaga listrik terus meningkat dari tahun ke tahun. Energi listrik merupakan kebutuhan yang sangat vital, baik bagi industri, masyarakat
Lebih terperinciMANAJEMEN KINERJA. Pokok Bahasan: Proses Manajemen Kinerja
MANAJEMEN KINERJA Pokok Bahasan: Proses Manajemen Kinerja Manajemen kinerja sebagai proses manajemen Preses manajemen kinerja menurut Wibowo (2007:19) mencakup suatu proses peaksanaan kinerja dan bagaimana
Lebih terperinciPERHITUNGAN CADANGAN PADA ASURANSI JIWA BERJANGKA MENGGUNAKAN METODE FACKLER DENGAN PRINSIP PROSPEKTIF
PERHITUNGAN ADANGAN PADA ASURANSI JIWA BERJANGKA MENGGUNAKAN METODE FAKLER DENGAN PRINSIP PROSPEKTIF Riaman, Kankan Parmikanti 2, Iin Irianingsih 3, Sudradjat Supian 4 Departemen Matematika, Fakutas MIPA,
Lebih terperinciOBJECTIVES PENGANTAR-1
6//0 MINIMALISASI BIAYA MENGGUNAKAN GOLDEN SECTION AND HOOK JEEVES METHODS OBJECTIVES Understand why and where optimization occurs in engineering probem soving. Understand the major eements of the genera
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciPENENTUAN CADANGAN PREMI MENGGUNAKAN METODE FACKLER PADA ASURANSI JIWA DWI GUNA
Buetin Imiah Mat. Stat. dan Terapannya (Bimaster) Voume 02, No. 2 (203), ha 5 20. PENENTUAN CAANGAN PREMI MENGGUNAKAN METOE FACKLER PAA ASURANSI JIWA WI GUNA Indri Mashitah, Neva Satyahadewi, Muhasah Novitasari
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciANALISIS FOURIER. Kusnanto Mukti W./ M Jurusan Fisika Fakultas MIPA Universitas Sebelas Maret. Abstrak
ANALISIS FOURIER Kusnanto Mukti W./ M0209031 Jurusan Fisika Fakutas MIPA Universitas Sebeas Maret Abstrak Anaisis fourier adaah cara matematis untuk menentukan frekuensi dan ampitudo harmonik. Percobaan
Lebih terperinciAnalisis Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciPREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION
Lisa Yui Kurniawati, dkk, Prediksi Pergerakan Harga Vo. 4, No. 1 Juni 2014 ISSN 2088-2130 PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION Lisa Yui Kurniawati 1*), Handayani Tjandrasa
Lebih terperincisistem InformasI GgeoGgrafIs Widiastuti
sistem InformasI GgeoGgrafIs Widiastuti Universitas Gunadarma 2015 Pertemuan Ketiga Komponen Sistem Informasi Geografis Data dan Informasi.. Data menjadi Informasi Data Pemrosesan, Pengoahan, Konversi
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciPERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN
PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN MENGGUNAKAN HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE NEURAL NETWORK Disusun oleh : Berta Elvionita Fitriani 24010211120005
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciFrekuensi Alami Rangka Batang Semi-Kaku dengan Efek Gaya Aksial Ruly Irawan 1,a*
Frekuensi Aami Rangka Batang Semi-Kaku dengan Efek Gaya Aksia Ruy Irawan 1,a* 1 Program Studi Teknik Sipi,Fakutas Teknik, Universitas Sarjanawiyata Tamansiswa a nawari007@yahoo.com Abstrak Artike ini menyajikan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciOPTIMALISASI JUMLAH BUS TRAYEK MANGKANG- PENGGARON DENGAN PENDEKATAN COMPROMISE PROGRAMMING
OPTIMALISASI JUMLAH BUS TRAYEK MANGKANG- PENGGARON DENGAN PENDEKATAN COMPROMISE PROGRAMMING Diana Puspita Sari, Arfan Backtiar, Heny Puspasri Industria Engineering Department, Diponegoro University Emai
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciSVM untuk Regresi Ordinal
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciNUMERICAL APPROACH OF BOUNDED STATE AND CRITICAL PHENOMENON OF YUKAWA POTENTIAL AT TWO NUCLEON INTERACTION USING FINITE DIFFERENCE METHOD
Pendekatan Numerik Keadaan Terikat. (Arif Gunawan) 179 PENDEKATAN NUMERIK KEADAAN TERIKAT DAN FENOMENA KRITIS POTENSIAL YUKAWA PADA INTERAKSI DUA NUKLEON MENGGUNAKAN METODE BEDA HINGGA (FINITE DIFFERENCE
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciGambar 3.1 Lokasi Museum Konperensi Asia Afrika Sumber :
BAB III METODOLOGI PENELITIAN A. Lokasi dan Objek Peneitian Lokasi peneitian ini diaksanakan di Museum Konperensi Asia Afrika berokasi di Gedung Merdeka, jaan Asia Afrika No. 65 Bandung, Keurahan Braga,
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB I PENDAHULUAN. berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi
BAB I PENDAHULUAN 1.1 Latar Belakang Operasi sistem tenaga listrik yang modern biasanya berhubungan dengan berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi dan proses pengambilan
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciPEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG
No. Vo. Thn. XIV Apri 00 ISSN: 84-84 PEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG Hendra Gunawan ),Titi Kurniati ),Dedi Arnadi ) )Staf Pengajar Jurusan Teknik Sipi Universitas Andaas )Mahasiswa
Lebih terperinciPERAMALAN BEBAN JANGKA PENDEK PADA HARI LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK (GRNN)
PERAMALAN BEBAN JANGKA PENDEK PADA HA LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK () Juniar Doan Wihardono 1, Agus Dharma 2, I Made Mataram 3 Jurusan Teknik Elektro dan Komputer,
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciAnalisis Pengaruh Semen Konduktif Sebagai Media Pembumian Elektroda Batang
Anaisis Pengaruh Semen Konduktif Sebagai Media Pembumian Eektroda Batang I M Yuistya Negara, Daniar Fahmi, D.A. Asfani, Bimo Prajanuarto, Arief M. Jurusan Teknik Eektro Institut Teknoogi Sepuuh Nopember
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciPrediksi Pemakaian Listrik Dengan Pendekatan Back Propagation
ISSN: 2089-3787 465 Prediksi Pemakaian Listrik Dengan Pendekatan Back Propagation Ruliah S, Rendy Rolyadely Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A.Yani Km. 33,3 Loktabat Banjarbaru
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciVol.13 No.2. Agustus 2012 Jurnal Momentum ISSN : X
Analisis Penjadwalan Unit-Unit Pembangkit Listrik Dengan Menggunakan Metode Unit Decommitment (PT.PLN Wilayah Riau) Oleh: Zulfatri Aini Jurusan Teknik Elektro, Fakultas Sains dan Teknologi Universitas
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciAl Azhar 1 Jondri 2 Untari Novia Wisesty 2
Prediksi Perkembangan Kondisi Pasien Terapi HIV dengan Menggunakan Representasi ALE-index sebagai Invariant Nuceotida sequence dan Support Vector Machine A Azhar 1 Jondri 2 Untari Novia Wisesty 2 1,2,3
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Wilayah dan Jadwal Penelitian Wilayah penelitan adalah Kota Banda Aceh. Penelitian ini dilakukan mulai bulan April sampai Juli 2014. 3.2. Populasi dan Sampel Populasi dalam
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciDeployment Wireless Sensor Network (WSN) Berdasarkan Konsumsi Energi Sensor Node
A Jazari Journa of Mechanica ngineering ISSN: 2527-3426 A Jazari Journa of Mechanica ngineering 1 (1) (2016) 12-17 Depoyment Wireess Sensor Network (WSN) Berdasarkan Konsumsi nergi Sensor Node Hani Rubiani
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciPENGEMBANGAN MODEL SISTEM DINAMIK TERHADAP KETERSEDIAN AIR BERSIH DI KABUPATEN KUTAI TIMUR PROVINSI KALIMANTAN TIMUR
JIEM Vo.1 No. 2, Oktober 216 E-ISSN: 2541-39, ISSN Paper: 253-143 PENGEMBANGAN MODEL SISTEM DINAMIK TERHADAP KETERSEDIAN AIR BERSIH DI KABUPATEN KUTAI TIMUR PROVINSI KALIMANTAN TIMUR Dimas Primadian N,
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciPREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 2, Juni 2016, hlm. 83-87 PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG Daneswara
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciPREMI DANA PENSIUN DENGAN METODE ENTRY AGE NORMAL PADA STATUS GABUNGAN BERDASARKAN DISTRIBUSI EKSPONENSIAL
PREMI DANA PENSIUN DENGAN METODE ENTRY AGE NORMAL PADA STATUS GABUNGAN BERDASARKAN DISTRIBUSI EKSPONENSIAL Adhe Afriani 1*, Hasriati 2, Musraini 2 1 Mahasiswa Program S1 Matematika 2 Dosen Jurusan Matematika
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciANALISIS DANA TABARRU ASURANSI JIWA SYARIAH MENGGUNAKAN PERHITUNGAN COST OF INSURANCE
Buetin Imiah Math. Stat. dan Terapannya (Bimaster) Voume 05, No. (206), ha 53-60. ANALISIS DANA TABARRU ASURANSI JIWA SYARIAH MENGGUNAKAN PERHITUNGAN COST OF INSURANCE Amanah Fitria, Neva Satyahadewi,
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciOptimalisasi Neural Network dengan Bootstrap Aggregating (Bagging) untuk Penentuan Prediksi Harga Listrik
Scientific Journal of Informatics Vol. 1, No. 2, November 2014 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Optimalisasi Neural Network dengan Bootstrap Aggregating (Bagging)
Lebih terperinciPERAMALAN BEBAN LISTRIK BULANAN SEKTOR INDUSTRI MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN VARIASI FUNGSI KERNEL
PERAMALAN BEBAN LISTRIK BULANAN SEKTOR INDUSTRI MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN VARIASI FUNGSI KERNEL Luqman Assaffat Program Studi Teknik Elektro, Fakultas Teknik Universitas Muhammadiyah Semarang
Lebih terperinci2014 ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan, tentunya memiliki tingkat kebutuhan akan sumber
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciPREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION
PREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION Feni Andriani 1, Ilmiyati Sari 2 1 Universitas Gunadarma, feni.andriani@staff.gunadarma.ac.id
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciPREDIKSI HARGA SAHAM PERUSAHAAN KELAPA SAWIT MENGGUNAKAN PEMODELAN MLP DAN RBF
PRDIKSI HARGA SAHAM PRUSAHAAN KLAPA SAWIT MNGGUNAKAN PMODLAN MLP DAN RBF Linda Sari Dewi Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No. 8 Warung Jati Barat (Margasatwa) Jakarta
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciBAB III METODE PENELITIAN
42 BAB III METODE PENELITIAN 3. Teknik Peneitian Peneitian dengan metode perbandingan eksperimenta berisikan kegiatan yang direncanakan dan diaksanakan oeh peneiti, maka dapat diperoeh bukti-bukti yang
Lebih terperinciKata kunci: Fuzzy Adaptif, Air Fuel Ratio, duty cycle, sensor lambda.
KONTROL AIR FUEL RATIO PADA SPARK IGNITION ENGINE SISTEM EFI SEKUENSIAL MENGGUNAKAN KONTROL FUZZY ADAPTIF DAPAT MENEKAN BEAYA OPERASIONAL KENDARAAN Abdu Hamid, Ari Santoso Jurusan Teknik Eektro-FTI ITS
Lebih terperinciMETODE SIMPLEKS PRIMAL-DUAL PADA PROGRAM LINIER FUZZY PENUH DENGAN BILANGAN TRAPEZOIDAL
METODE SIMPLEKS PRIMAL-DUAL PADA PROGRAM LINIER FUZZY PENUH DENGAN BILANGAN TRAPEZOIDAL Bambang Irawanto 1,Djwandi 2, Sryoto 3, Rizky Handayani 41,2,3 Departemen Matematika Faktas Sains dan Matematika
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinci